基于WKCNN的风电机组轴承声信号故障诊断研究

2023-05-05黄海

电子技术与软件工程 2023年2期

黄海

（国电电力发展股份有限公司北京市 100101）

由于风力发电机组安装环境比较恶劣，因此其转动系统故障问题也越来越多。风电机组一旦发生故障，可能引起非计划停机，导致重大的经济损失[1]。据报道，风力发电机故障中40%～50%与轴承有关[2]。故障的及时准确诊断对风力发电机组的可靠安全运行至关重要。

传统的智能故障诊断方法主要分为特征提取和分类两步[3]。在轴承故障诊断领域，常用的特征提取方法主要快速傅里叶变换（fast Fourier transform,FFT）、经验模态分解、主成分分析、小波变换等。而在故障分类方面常用的方法主要有支持向量机（support vector machine,SVM）、随机森林、BP神经网络、贝叶斯分类器、多层感知（Multi-Layer Perceptron,MLP）、深度神经网络等。然而随着机械健康监测进入“大数据时代”，上述方法已无法满足工程中轴承故障诊断及时准确的需求[4]。

近年来，卷积神经网络(convolutional neural network,CNN)在故障诊断领域取得了巨大的成果[5]。它拥有可以自动从信号和图像中提取特征，取代传统算法繁琐的特征提取工程[6]。因此，相应的一系列关于CNN 的轴承故障模型被提出。Zhang[7]等人提出了一种新的宽第一层核深度卷积神经网络（WDCNN）算法，但存在测试数据集过度拟合的问题。Jian[8]等人提出了一种将CNN 与D-S 证据理论相结合的一维融合神经网络(OFNN)，但该算法在实际应用中效率有待提高。因此，本文针对上述问题，提出提出一种基于宽卷积核卷积神经网络（WKCNN）的故障诊断方法。

1 基本理论

1.1 卷积神经网络

CNN 主要由输入层，卷积层、池化层、全连接层和输出层组成[9]，如图1所示。

图1：卷积神经网络结构

卷积层具有稀疏连接和参数共享两种特性，多层卷积结构的组合能够自适应提取信号的深层特征。公式如下：

在选择激活函数上，针对传统的Sigmoid 激活函数面临深度网络结构容易梯度消失和训练时间过长的问题，本文采用了线性校正函数(ReLU)。公式如下：

池化层也是降采样层，在卷积得到特征后，常采用均值池化和最大池化来减少输入矩阵的参数，本文选择使用最大池化函数来处理卷积运算得到的特征映射结果来减少计算量。

全连接层中的每个神经元经过平滑扩展后与代表上一层输出特征向量的神经元交叉连接，卷积计算后实现局部信息的分类。输出层利用Softmax 函数输出结果为：

2 宽卷积核卷积神经网络模型

2.1 数据增强

为了提高模型的深度神经网络泛化能力，本文采用重叠采样的数据增强方式增加训练样本，即从原始声信号中采集样本数据时，声信号的每一段都与其偏移声信号的下一段重叠，这就是数据增强的部分，如图2所示。

图2：通过重叠采样进行数据增强

数据增强后样本总数计算公式为：

其中，n为数据采样点个数，G为样本组数，L为每个训练样本的采集长度，w为移位，N为可得到的数据总数。

例如，我们可以假设n=1000，L=200，w=20。根据式（4）和式（5），共可得到40 组样本，每组包含200个样本点，8000 个样本点，点数增加了8 倍。

通过数据增强后的样本容量扩大，防止由于数据不足造成模型泛化性能弱。因此，通过重叠采样进行数据增强，可以很好地满足深度神经网络的训练需求

2.2 宽卷积核

针对传统基于特征提取和分类相结合的诊断方法诊断不及时且诊断准确度不足的问题，本文提出了一种WKCNN 故障诊断方法，为了获得更全面的数据特征，WKCNN 提出了宽卷积核的方法，拓宽卷积核的整体，使其尽可能覆盖输入信号的长度。利用宽卷积核的卷积运算公式为：

2.3 批量归一化

为了确保宽卷积核卷积神经网络在样本训练早期具有良好的梯度，本文在CNN 结构中的卷积层和池化层之间加入了批量归一化层（batch normalization,BN），并用ReLU 进行激活，如图3所示。

图3：加入批量归一化层

BN 层首先求取mini-batch 内样本的均值和方差，可以保持隐藏层中声信号特征值的方差、均值稳定性，让数值更稳定，为后面风力发电机轴承故障诊断提供坚实的基础；然后使用他们对该批次的训练数据做归一化；最后进行尺度变换和偏移，且尺度变换和偏移量都是在样本训练过程中网络自己学习获得的。

2.4 WKCNN故障诊断流程

WKCNN 故障诊断具体步骤如下：

（1）将采集的风电机组轴承声信号采用重叠采样的数据增强方法进行数据预处理，并分为测试集和训练集；

（2）将经过预处理的训练集数据输入到WKCNN模型中提取轴承声信号特征，并进行分类；

（3）将测试集数据输入到WKCNN 训练好的网络模型中诊断，得出风电机组轴承诊断结果。

WKCNN 故障诊断流程图4所示。

图4：WKCNN 故障诊断流程图

3 实验研究

3.1 实验基本信息

实验测试采用的数据为天津某风场采集的风电机组发电机轴承数据，轴承型号为SKF6300，采样频率为12 kHz。轴承有三种故障类型，即滚动体故障、外圈故障和内圈故障。每种状态的故障标签如表1所示。

表1：故障标签表

本文所提WKCNN 算法结构由一个输入层、四个宽卷积层，四个池化层、一个全连接层、一个Softmax组成。在本实验中，研究了WKCNN 在不同载荷下的精度。在模型训练过程中，训练数据集的数量为7000，测试数据集为1000，优化器选用Adam，学习率为0.01，mini-batch 的大小为256，迭代次数为50，其网络参数如表2所示。在该模型中，数据增强后的声音信号经过第一卷积层，然后进入批量归一化层，并用ReLU 激活，成为一组特征图，然后通过最大池化进行下采样操作。随着层数的增加，输出信号的宽度减小。信号分类操作由全连接层完成。最后使用Softmax 函数输出WKCNN模型对轴承的故障诊断结果。

表2：WKCNN 网络参数

3.2 实验结果及分析

为了验证本文方法的及时性，本文将与传统的故障诊断方法FFT-MLP、FFT-SVM 和WDCNN 进行比较，每种方法迭代100次，所用时间如表3所示。由表显示出，本文方法首先较FFT-SVM 方法故障诊断速率快55s，其次比FFT-MLP 方法快75s，这是由于传统的FFT-MLP和FFT-SVM 方法需要繁杂的特征提取算法，因此需要浪费大量时间，而本文所提方法可以自动提取特征。最后比WDCNN 快25s，充分验证了本文所提方法故障诊断具有较高的及时性。

表3：各方法迭代时间

为了进一步验证WKCNN 方法的优越性，各方法对风力发电机轴承不同故障准确率如图5所示。

图5：对比结果准确率

从图5 中可以看出，上述四种方法中，本文所提的WCKNN 模型的风力发电机组轴承故障诊断准确率最高达到98.2%，而FFT-MLP 和FFT-SVM 的力发电机组轴承故障诊断准确率为80.3%和79.5%；WDCNN 故障识别准确率为91.4%，这是由于与WDCNN 相比本文方法卷积层更宽，特征提取更全面。因此，采用本文所提的WKCNN 网络模型在对风电机组轴承进行故障诊断，诊断效果均优于其他三种方法。